我的问题与Feature Columns Embedding lookup的性质接近，但是我无法对那里给出的答案发表评论（没有足够的代表），我认为回答者要么没有完全理解这个问题，要么回答并不完全是问题。
提供使用数据集API提供数据的自定义Estimator。任务是NMT（seq2seq）。
Estimator需要feature_columns作为服务的输入。我的NMT任务只有一个特征，即要翻译的输入句子（或者句子中的每个单词都是一个特征？）。所以我不确定如何使用我的输入句子构建feature_column（因此是一个embedding_column，最后是一个input_layer），这个特性可以输入RNN（期望embedding_lookup [batch_size，max_seqence_len，embedding_dim]）请允许我为Estimator提供服务。
我试图利用自定义估算器来提供seq2seq样式的NMT实现。我需要能够通过服务提供服务模型，估计似乎相对容易。
然而，我打了一个“如何”为模型服务的路障。据我所知，我需要'feature_columns'作为模型的输入。
显示您需要具有export_input_fn，该export_input_fn使用需要feature_column作为输入的feature_spec。这是有道理的，但是，对于我的用例，我没有一堆（不同的）功能，而是我有输入句子（每个单词都是一个功能），需要通过嵌入查找并用作功能...
所以我知道我需要输入到我的模型中作为特征列。我对NMT的输入只是[batch_size，max_sequence_len]的张量，它填充了句子中单词的索引（例如，对于batch_size = 1 [3,17,132,2,1,0，...]其中每个索引应映射到嵌入向量）。通常我会将它提供给embedding_lookup via
embs = tf.get_variable('embedding', [vocab_size, embedding_dim])
tf.nn.embedding_lookup(embs, inputs)
我很乐意去，我可以把它作为输入提供给RNN，剩下的就是历史，而不是问题。
但是，这是我遇到问题的地方，我需要使用feature_columns（所以我可以为模型提供服务）。我在开头提到的问题的答案显示了如何使用embedding_column，但他建议嵌入应该将整个句子看作一个单一的特征，但传统上你会查找句子中的每个单词并得到它的嵌入。
显示'如何在自定义估算器中实现一个功能列'，事实上他的'Before'代码完全正确（正如我写出来的），tf.get_variable到tf.nn.embedding_lookup，但他的'after'代码，再次，只接受1个功能（整个句子？）。
我已经通过使用他们的代码并将[batch_size，max_seq_len]中的数据提供给tf.feature_column.categorical_column_with_identity来验证这一点，输出张量是[batch_size，embedding_dim]
序列信息丢失了吗？还是只是变得平坦？当我打印输出它的大小（？，embedding_dim）在哪里？通常是我的batch_size。
编辑：我已经验证了形状是[batch_size，embedding_dim]，它不仅仅是扁平...所以序列信息丢失了
我猜它必须将输入视为1个单输入特征（因此batch_size = 1 ex [3,17,132,2,1,0，...]，其中每个索引映射到嵌入向量）将映射对于不是想要的单个特征，我们希望每个索引映射到嵌入，所需的输出是[batch_size，max_seq_len，embedding_dim]。
这听起来像我需要的，不是一个categorical_column_with_ *，而是max_seq_len的数量（我的序列中的每个单词为1），这听起来不对吗？每个单词都是我模型的一个特征，所以我倾向于这是正确的方法，但这也有问题。我正在使用数据集API，所以在我的input_train_fn（）中我从一个文件加载我的数据，然后使用tf.data.Dataset.from_tensor_slices（数据，标签）将数据拆分成张量，然后我可以使用dataset.batch（ batch_size）.make_one_shot_iterator（）。get_next（）以提供给我的Estimator。我无法对每个批处理器进行迭代（测试器不可迭代）所以我不能简单地为每个输入批处理生成100个feature_columns ...
有谁知道怎么做？这种嵌入查找与简单的占位符或变量（以及NLP任务中的常用方法）非常简单。但是当我冒险进入数据集API和估算器时，我遇到的信息很少（这不是一个基本的例子）。
我承认我的理解可能存在差距，自定义估算器和数据集API对我来说是新的，有时难以找到有关它们的信息。所以随时向我发消息。
感谢您阅读我的文本墙，并希望帮助我（和我见过的其他人问一个类似的问题，但得不到答案https://groups.google.com/a/tensorflow.org/forum/#!searchin/discuss/embeddings $ 20in $ 20custom $ 20estimator / discuss / U3vFQF_jeaY / EjgwRQ3RDQAJ我觉得这个家伙不好，他的问题没有得到真正回答（出于同样的原因，这里概述了他的线程被劫持......）。
如果我理解正确，您希望使用Estimator API构建SeqSeq模型。启动here的好地方，查看Problems-Solutions / text文件夹。
要回答关于如何使用嵌入查找的问题，这是一个例子
vocab_table = lookup.index_table_from_file(vocabulary_file='data/vocab.csv', num_oov_buckets=1, default_value=-1)
text = features[commons.FEATURE_COL]
words = tf.string_split(text)
dense_words = tf.sparse_tensor_to_dense(words, default_value=commons.PAD_WORD)
word_ids = vocab_table.lookup(dense_words)
padding = tf.constant([[0, 0], [0, commons.MAX_DOCUMENT_LENGTH]])
# Pad all the word_ids entries to the maximum document length
word_ids_padded = tf.pad(word_ids, padding)
word_id_vector = tf.slice(word_ids_padded, [0, 0], [-1, commons.MAX_DOCUMENT_LENGTH])
word_id_vector = {commons.FEATURE_COL: word_id_vector}
bow_column = tf.feature_column.categorical_column_with_identity(commons.FEATURE_COL, num_buckets=params.N_WORDS)
bow_embedding_column = tf.feature_column.embedding_column(bow_column, dimension=50, combiner='sqrtn')
bow = tf.feature_column.input_layer(word_id_vector, feature_columns=[bow_embedding_column])
logits = tf.layers.dense(bow, 2, activation=None)
上面的代码可以包含在Estimator model_fn中。上面的repo包含此代码。请看一下。
所以我最终完成这项工作的方式是我将每个单词作为输入要素，然后我只是进行wrd_2_idx转换，将其作为numeric_column中的一个要素传递（s，你有max_seq_lens这些），然后将这些列传递给input_layer。然后在我的图表中，我使用这些功能并正常查找嵌入。基本上绕过了embedding_column查找，因为我无法弄清楚如何让它按照我想要的方式运行。这可能不是最佳的，但它可以工作和训练......
我会把这作为公认的答案，希望将来某个时候或者我找到一个更好的方法来做，或者其他人可以启发我以最好的方式来解决这个问题。
我设法让这个工作......由于RNN没有使用嵌入这一事实而导致出轨。
我做了什么让这个工作（在最简单的情况下）：
#features[VALUE_FEATURE_NAME] is shape (?, 200), ie. 200 words per row
inputs = tf.contrib.layers.embed_sequence(
features[VALUES_FEATURE_NAME], 3000, 5,
)
# create an LSTM cell of size 100
lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(200)
# create the complete LSTM
_, final_states = tf.nn.dynamic_rnn(
lstm_cell, inputs, dtype=tf.float32)
outputs = final_states.h
所以我猜答案在于动态rnn的tensorflow文档
创建由RNNCell单元指定的递归神经网络。
执行完全动态展开输入。
因此，这里的展开意味着RNN消耗[batch，time_steps，values]作为输入。
贝斯茨
您可以使用tf.contrib.feature_column.sequence_categorical_column_with_vocabulary_list和tf.contrib.feature_column.sequence_input_layer来解决它。
演示代码如下：
import tensorflow as tf
if __name__ == "__main__":
#tf.enable_eager_execution()
feature = {
'aa': [['1', '2', '3'],
['-1', '4', '-1'],
['2', '-1', '-1'],
['4', '5', '6']]
}
aa_id = tf.contrib.feature_column.sequence_categorical_column_with_vocabulary_list(
'aa', ['1', '2', '3', '4', '5']
)
seq_emb_matrix = tf.feature_column.embedding_column(aa_id, 2)
seq_tensor, seq_length = tf.contrib.feature_column.sequence_input_layer(feature, [seq_emb_matrix])
seq_tensor1, seq_length1 = tf.contrib.feature_column.sequence_input_layer(feature1, [seq_emb_matrix])
seq_tensor2 = tf.squeeze(seq_tensor1)
# print(tensor)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
sess.run(tf.tables_initializer())
a, a_len = sess.run([seq_tensor, seq_length])
b, b_len = sess.run([seq_tensor1, seq_length1])
print(a)
print('a_len', a_len)
print(a.shape)
print('-'*50)
print(b)
print('b_len', b_len)
print(b.shape)
print(sess.run([seq_tensor2]))
打印结果如下：
[[[ 0.5333682 -0.39895234]
[ 0.5335079 0.64998794]
[-1.0432893 -0.8391434 ]]
[[ 0. 0. ]
[-0.29623085 -0.17570129]
[ 0. 0. ]]
[[ 0.5335079 0.64998794]
[ 0. 0. ]
[ 0. 0. ]]
[[-0.29623085 -0.17570129]
[ 0.7100604 0.9935588 ]
[ 0. 0. ]]]
('a_len', array([3, 3, 3, 3]))
(4, 3, 2)
--------------------------------------------------
[[[-0.24147142 -0.37740025]]
[[-0.6222648 1.3862932 ]]
[[ 1.2226609 -0.68292266]]]
('b_len', array([1, 1, 1]))
(3, 1, 2)
[array([[-0.24147142, -0.37740025],
[-0.6222648 , 1.3862932 ],
[ 1.2226609 , -0.68292266]], dtype=float32)]